Méthodologie pour le diagnostic de la dérive dans un système de production cyber-physique : intégration de la connaissance humaine dans une approche guidée par les données

Methodology for drift diagnosis in a cyber-physical production system : integrating human knowledge into a data-driven approach

• Auteur / Autrice : Adama Arama
• Direction : Christophe Merlo
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Soutenance le 17/11/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : ESTIA Recherche (1998-....)
• Jury : Président / Présidente : Benoît Iung
• Jury : Examinateurs / Examinatrices : Michael Morin, Marc Legros
• Jury : Rapporteurs / Rapporteuses : Elise Vareilles, Roberta Costa Affonso

Mots clés

Mots clés contrôlés

Acquisition des connaissances (systèmes experts)

Automatisation

Apprentissage supervisé (intelligence artificielle)

Mots clés libres

Système cyber-Physique de production

Apprentissage supervisé

Connaissance experte

Approche hybride

Diagnostic

Cyber-Physical production system

Supervised learning

Expert knowledge

Hybrid approach

Diagnosis

Résumé

La révolution apportée par l’Industrie 4.0 a fortement impacté les systèmes de production, qui sont désormais considérés comme des systèmes cyber-physiques de production (ou Cyber-physical ProductionSystems - CPPS). Les CPPS s’appuient sur des capteurs et actionneurs connectés, implantés au sein des lignes de fabrication, mais aussi sur des moyens d’exploitation et de visualisation de données ainsi collectées,afin de piloter la production. Les CPPS générant une grande quantité de données hétérogènes, le pilotage de ces systèmes est une tâche complexe et ce seul apport de données ne suffit pas pour garantir un pilotage performant des systèmes de production. Ainsi, pour être pleinement opérationnel, l’intégration de l’humain dans le processus de surveillance et de pilotage de la production demeure capitale. Ces travaux explorent cette problématique au travers de l’étude du diagnostic des dérives du processus de fabrication pour un système de production continue. L’objectif de cette thèse, qui s’inscrit dans le cadre du projet européen HyperCOG,est de développer une approche pour assister l’opérateur dans cette activité de diagnostic. Pour cela, une méthodologie est proposée en combinant les techniques d’apprentissage supervisé (Machine Learning – ML)et l’élicitation des connaissances humaines (fournies par les experts) pour exploiter les données de production(issues du CPPS). Le modèle résultant permet de déterminer les causes probables de la dérive

The revolution brought about by Industry 4.0 has had a major impact on production systems,which are now considered Cyber-physical Production Systems (CPPS). CPPS are based on connected sensors and actuators installed on production lines, as well as on data processing and visualization systems to control production. As CPPS generate a large amount of heterogeneous data, controlling these systems is a complex task, and data alone is not enough to guarantee efficient control of production systems. Thus, to be fully operational, the integration of the human element in the production monitoring and control process remains crucial. This work explores this issue through the study of manufacturing process drift diagnosis for acontinuous production system. The aim of this thesis, which is part of the European HyperCOG project, is to develop an approach to assist the operator in this diagnostic activity. To achieve this, an approach based onMachine Learning (ML) techniques and the elicitation of human knowledge (provided by experts) is proposed to exploit data production (from the CPPS). Therefore, the resulting model can be used to determine the probable causes of the drift.